產業AI論壇：邊緣運算強化智慧機械應用

產業AI論壇的智慧製造主題最終場探討「機械設備聯網的現況與未來／實現在機械設備端的AI邊緣運算」，其中控制器廠商新代科技的方向，是透過AI技術，協助客戶實踐首件加工檢驗合格的目標。學界也正在研究如何強化機械的感知能力，結合智慧管理系統與邊緣運算平台，協助製造業實現智慧製造的藍圖。而快思科技則使用智慧排程系統為工廠建立大腦，系統不只能提升工廠的生產效率與產品品質，也能為產品建立生產履歷，多方面為工廠賦能，實現製造業的智慧化目標。

楊勝安經理：首件檢驗合格是工業4.0的目標

新代科技楊勝安經理分析，CNC工具機廠商可以發展的AI題目包含「自動伺服調適(AI Servo Tuning)」、「AI熱變位補正機能」、「金切工藝大師」、「智慧磨床自動進給決策系統」、「AI瑕疵檢測：良否判定」，共五大分項。其中新代科技透過機器學習與數位雙生技術，發展金切工藝大師。在加工產業中，首件即達成生產標準是工業4.0的重要目標，代表背後具備強健的模型，且採用數位雙生的模擬、迭代與收斂的參數與實際狀況高度相符，有完整的機制收集感測器所取得的數據，相比傳統上花費大量時間來回製作與調整，更能夠快速取得正確的參數。

未來工具機將安裝大量感測器，藉此收集數據並發展多元的智慧功能，包含結合智慧螺桿與主軸，提供完整的設備給客戶；藉由熱溫補提高機台加工精度；使用內部系統實現碰撞偵測與防護；以及採用視覺系統執行刀具檢測，有些應用需求則是確保裁斷刀沒有斷裂即可。以工廠一天的流程為例，暖機同時可以健檢，就不會耽誤生產，從資料中分析產線有無異常、主軸有沒有故障預兆，就可以把資料給AI學習，預防故障。在健檢過程中，10秒就可以量測訊號，確認主軸的狀態，包含是否維持動平衡、檢測電流是否溫升過高、電容壽命狀態等。

蔡孟勳特聘教授：感知是智慧化第一步

一般而言，只要工具機沒有出現異常，很多相關的資訊不會被記錄下來，科技部自動化學門召集人曁台灣大學蔡孟勳特聘教授指出，機械的感知能力是智慧化的第一步。目前機械大多使用光學感知，感知能力不佳，只能確認機台穩定運作與否，無法感測溫度改變或震動。因此如果機械朝向智慧化邁進，至少要實現感知。當機械具備感知能力，例如切削刀可以依據不同的負載調整切削力，刀子就不容易斷裂。或者預先檢測主軸狀態，避免臨時燒壞需要維修，影響生產效率。

而從智慧機械邁入智慧製造，關鍵就是近一步實現智慧管理、排程、生產、加工與量測等元素。智慧製造可以透過機聯網雲端系統，整合工業常用分類的廠商，並在邊緣端儲存、運算資料等方式實現。蔡孟勳特聘教授以實驗室自行開發的Edge Computing Box為例，在實驗平台上把其中一台機器盡可能裝所需的感測器，把所有的資料放到邊緣端，就可以做很多智慧化的應用。完成硬體規格的數據收集後，邊緣端還要有運算能力，才能初步處理感測器收集的數據。如果所有的資料都在邊緣處理，便可以透過AI Dongle以低成本的方式擴充運算效能。

王心恕總經理：為工廠建立臨機應變的大腦

智慧工廠就像是為工廠建立大腦，能夠快速應變排程需求與突發狀況。快思科技王心恕總經理觀察，現階段大部分的製造業廠商還是採用人工排程，但是在疫情衝擊供應鏈，甚至出現缺工的情況下，如果沒有導入排程系統，很難掌握實際的產能，且難以應變臨時發生的問題。

採用結合AI技術的排程系統，當訂單進來，可以模擬該訂單的成本結構，確認符合預期再接單。接單之後，因為刀具跟模具的壽命會影響排程，所以系統模擬生產時刀具、模具的狀況。到了生產執行階段，就要確認設備能不能執行生產任務。整體而言，工廠可以透過AI跟數位雙生技術優化並建模生產排程，在系統裡建構一個智慧工廠，除了管理生產流程，還能模擬派工狀況、管理外包排程，以及管理售後服務、供應鏈如何運送物料，也能為產品建立生產履歷，或者協助管理者決策、分析資源與年度產能規劃。

會後座談：刀具／主軸磨耗管理系統市場潛力足

楊勝安經理詢問蔡孟勳特聘教授：從老師的角度來看，哪些智慧製造的研究項目最接近商品化？預期哪些前瞻的研究題目的附加價值較高？

蔡孟勳特聘教授：我們在實驗室做的東西，最喜歡看哪些可以賣，會把可以賣的東西核心技術開發出來。第一個是溫補，很多加工廠商想做。主軸溫補比較好做，難做的是軸向溫補，因為整個主軸變形主要是因為運動軸產生的變異，要動到控制器的核心，預測出來出後，還要即時寫到控制器裡面，可能要停機。像新代科技很適合開發這個類型的產品，因為控制器是自家產品。另一個是切削，已有廠商在賣相關產品，但很貴，需要很大的數據庫，而且要設定很多條件。第三個是顫震抑制，以前都用敲擊實驗做，但離開刀把不能用，有些用線上調整，偵測到後直接處理，這幾個比較容易商品化。

我覺得刀具磨耗是附加價值高又前瞻的題目。很多刀具管理或刀具磨耗，是從加工時間推算多久要更換，但可能時間到了發現不用換。以漢翔為例，一個月刀具的支出就要一千萬，所以如果刀具有辦法做刀具線上磨耗的管理，商業潛力很高。像是工業4.0中常常會有關燈工廠，但可能回來發現有一把刀斷了，後面生產的工件都損壞了，所以有廠商就買了一套斷刀偵測系統。所以刀具磨耗管理的產品有利基點，但是不好做，因為刀子類型太多。另一個是，也是業者反應，主軸最容易撞壞跟磨秏，有可能因為操作錯誤碰撞。所以如果碰撞後有系統能協助評估偏擺的狀況，以及刀具的精度有沒有改變、需不需要更換，但是主軸的類型一樣很多元。有一種技術是在加工的時候同步收集數據，知道偏擺的程度，再主軸需要更換的時候提出警示。上述這兩個題目在市場上還沒有很完整商品化，但是在未來的發展趨勢下很有潛力。

蔡孟勳特聘教授詢問王心恕總經理：智慧機械的類型很多，加工機器不同，在處理不同產業別的排程時，產業之間有沒有共通性的東西？哪些產業要客製化？很多排程要把資訊收集到控制器，有沒有數據收集方面的瓶頸？

王心恕總經理：這個問題可以先從排程要排到多準確思考，因為現在大部分的廠商都還是人力排程，光是從人力換到系統排程，排程的效益跟精度就會大幅提升。在數據收集方面，如果現在排程系統只使用60%的產能，收集到的數據就算只有60%的準確度，也會比人工排程好。所以要依據收集到的數據來決定排程，也就是當排程是10分鐘報工跟下達製造指令一次，那即便收集秒分級的數據，也沒辦法馬上轉換成排程可用的數據。如果現場的自動化程度較高，就可以直接收集現場的數據，或是要布建感測器。

排程最重要的數據就是工時，不同產品的工時多少、加工參數跟可應用機台是哪些？可應用機台是在產品開發時就已經確定，不是太大的挑戰；但是工時跟應用參數的調教是比較大的問題，要看排程能不能精準且現場有很好的執行力，收集大量的細節資料才有意義。所以搜集到很精細的數據，是在大量自動化的場域實踐，如果是人力為主的工廠，收集的數據不會這麼細。客製化的話每個產業都很不同，光是腳踏車跟機車就不一樣，派工邏輯不同，像是腳踏車可能有很多碳纖維的手工生產流程，汽機車則是大量自動化生產，而這兩個產業共通的是訂單排序邏輯差不多，製程安排就會客製化。所以有些訂單安排的邏輯在不同產業間是互通的，但是其他方便就需要客製化。